[发明专利]一种影像辨识方法及安全的自动驾驶方法

说明书

本发明提供了一种安全的自动驾驶方法，通过卷积神经网络训练和辨识待测物的组成元素，将侦测到的影像原图左右两侧不调整大小分割套入卷积神经网络并辨识是否具有待测物的组成元素，如果辨识具有待测物或是待测物的组成元素，则连接煞车系统根据距离进行煞车降速。本发明还提供了一种影像辨识方法。本发明的有益效果是：能够辨识待测物的组成元素，能够优先侦测左右两侧即将侵入的车辆、行人、动物，甚至于只看到部分轮胎或是手脚四肢就能连接煞车系统，提高了自动驾驶或一般驾驶的安全性。

技术领域

本发明涉及自动驾驶方法，尤其涉及一种影像辨识方法及安全的自动驾驶方法。

背景技术

目前的人工智能(AI, Artificial Intelligence)主要聚焦在深度学习(DL,Deep Learning)领域，而影像辨识最主要用到的是卷积神经网络(CNN, ConvolutionalNeural Network)。

YOLO是一个速度快且结构简单的对象侦测方法，YOLO最大的特色是利用整张图片作为神经网络的输入，经过卷积神经网络就可以从输入图像预测边界盒(bounding box)的座标位置、对象类别、及该类别的机率。

在人工智能自动驾驶的影像辨识领域，主要是采用YOLO(You Look Only Once,你只看一次)算法的深度学习模型，YOLO拥有即时的运算速度优点，以及不差的影像辨识率，但YOLO是一次拿整张影像调整大小带入神经网络辨识，因此对于小物体的预测效果较差，自动驾驶的安全性较低。

发明内容

为了解决现有技术中的问题，本发明提供了一种影像辨识方法及安全的自动驾驶方法。

本发明提供了一种安全的自动驾驶方法，通过卷积神经网络训练和辨识待测物的组成元素，将侦测到的影像原图左右两侧不调整大小分割套入卷积神经网络并辨识是否具有待测物的组成元素，如果辨识具有待测物或是待测物的组成元素，则连接煞车系统根据距离进行煞车降速。

作为本发明的进一步改进，一种安全的自动驾驶方法，包括以下步骤：

S1、分析待测物的组成元素；

S2、将待测物的组成元素的图片利用卷积神经网络进行训练和辨识；

S3、将侦测到的影像原图切割成左右两侧重点区域与中间的其余区域；

S4、将影像原图左右两侧不调整大小分割套入卷积神经网络并辨识是否具有待测物的组成元素，或者，将影像原图中间的其余区域调整大小成方形套入卷积神经网络并辨识是否具有待测物；

S5、如果没有辨识到待测物的组成元素或者没有辨识到待测物，则返回步骤S4，如果辨识到待测物的组成元素或者辨识到待测物，则连接煞车系统根据距离进行煞车降速。

本发明还提供了一种影像辨识方法，通过卷积神经网络训练和辨识待测物的组成元素，将侦测到的影像原图左右两侧不调整大小分割套入卷积神经网络并辨识是否具有待测物的组成元素。

本发明的有益效果是：通过上述方案，能够辨识待测物的组成元素，能够优先侦测左右两侧即将侵入的车辆、行人、动物，甚至于只看到部分轮胎或是手脚四肢就能连接煞车系统，提高了自动驾驶或一般驾驶的安全性。

附图说明

图1是本发明一种安全的自动驾驶方法的卷积神经网络训练示意图。

图2是本发明一种安全的自动驾驶方法的左右两侧不调整大小取出重点区域示意图。

图3是是本发明一种安全的自动驾驶方法的左右两侧重点区域的示意图。

图4是本发明一种安全的自动驾驶方法的左右两侧不调整大小取出重点区域示意图。